A global workspace in language models
Anthropic Interpretability · 2026-07-06 · 原文
TL;DR
Interpretability 团队发现 LLM 内部存在类似认知科学中”Global Workspace Theory”的机制：不同任务的表征汇聚到共享工作区，再广播给专门模块。这是从”模型是黑盒”到”模型有可辨识内部架构”的又一步。
关键论点
- 语言模型有类脑的”全局工作空间”：任务通用表征汇聚 + 局部专家模块并存
- 支持跨任务泛化的一种可能内在结构解释
- 对 Alignment / 安全性有直接意义：可从工作区注入或监控
与本 wiki 关联
- Interpretability 综述、AI 可观测性
- 组合阅读：154-Anthropic-Emotion-Concepts-Function · 161-Anthropic-Persona-Selection-Model
一句话总结
LLM 内部有类脑的”全局工作空间”—— 模型可解释性又向前推进一步。